CN116756638A - 电动车用电负荷需求检测方法、装置、设备及存储介质 - Google Patents
电动车用电负荷需求检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116756638A CN116756638A CN202311034988.9A CN202311034988A CN116756638A CN 116756638 A CN116756638 A CN 116756638A CN 202311034988 A CN202311034988 A CN 202311034988A CN 116756638 A CN116756638 A CN 116756638A
- Authority
- CN
- China
- Prior art keywords
- target current
- user
- layer
- electric
- electric bicycle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 29
- 238000007600 charging Methods 0.000 claims abstract description 97
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 230000005611 electricity Effects 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 12
- 230000006399 behavior Effects 0.000 claims description 40
- 238000011176 pooling Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 20
- 238000000926 separation method Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种电动车用电负荷需求检测方法、装置、设备及存储介质,该方法包括:向配电网中属于居民生活用电的用电户采集原始电流数据;按照用电行为对用电户进行聚类,得到用户类别;依据用户类别截取部分原始电流数据,作为目标电流数据;依据用户类别加载充电检测网络;在编码器中对目标电流数据编码,得到用于区分是否存在电动自行车充电的第一目标电流特征;在解码器中对第一目标电流特征解码,以依次重构表征用户类别存在电动自行车充电时的、多个层级的第二目标电流特征;在分类器中,在多个层级的第二目标电流特征的增强作用下、依据第一目标电流特征检测用电户是否存在电动自行车充电的用电负荷。提高检测电动自行车充电的准确性。
Description
技术领域
本发明涉及电网的技术领域,尤其涉及一种电动车用电负荷需求检测方法、装置、设备及存储介质。
背景技术
电动自行车(又称为电动车)是指以蓄电池作为辅助能源在普通自行车的基础上,安装了电机、控制器、蓄电池、转把闸把等操纵部件和显示仪表***的交通工具。
电动自行车一般由电机、电池、控制器、充电器、仪表、传感器、车架、装饰部件等组成,电动自行车行业下游的终端消费者主要为个人居民或家庭。
随着电动自行车广泛普及,电动自行车的保有量越来越大,多达数千万两,部分用户会将电动自行车推回住宅充电或者拔出蓄电池、单独携带蓄电池会住宅充电,增加住宅的失火风险,给用户的生命财产安全带来隐患。
目前,可基于深度学习的神经网络,分析非入侵式的电信号负荷来识别用户的住宅中是否存在电动自行车充电的特征,以此来识别在住宅中电动自行车充电的行为。
但是,居民用电中存在复杂的用电信号,这些用电信号会对电动自行车充电造成大量的干扰,使得识别电动自行车充电的精确度较低。
发明内容
本发明提供了一种电动车用电负荷需求检测方法、装置、设备及存储介质,以解决如何提高检测电动自行车充电的精确度。
根据本发明的一方面,提供了一种电动车用电负荷需求检测方法,包括:
向配电网中属于居民生活用电的用电户采集原始电流数据;
按照用电行为对所述用电户进行聚类,得到用户类别;
依据所述用户类别截取部分所述原始电流数据,作为目标电流数据;
依据所述用户类别加载充电检测网络,所述充电检测网络包括编码器、对所述用户类别训练的解码器、分类器;
在所述编码器中对所述目标电流数据编码,得到用于区分是否存在电动自行车充电的第一目标电流特征;
在所述解码器中对所述第一目标电流特征解码,以依次重构表征所述用户类别存在电动自行车充电时的、多个层级的第二目标电流特征;
在所述分类器中,在多个层级的所述第二目标电流特征的增强作用下、依据所述第一目标电流特征检测所述用电户是否存在电动自行车充电的用电负荷。
根据本发明的另一方面,提供了一种电动车用电负荷需求检测装置,包括:
原始电流数据采集模块,用于向配电网中属于居民生活用电的用电户采集原始电流数据;
用电户聚类模块,用于按照用电行为对所述用电户进行聚类,得到用户类别;
目标电流数据截取模块,用于依据所述用户类别截取部分所述原始电流数据,作为目标电流数据;
充电检测网络加载模块,用于依据所述用户类别加载充电检测网络,所述充电检测网络包括编码器、对所述用户类别训练的解码器、分类器;
编码模块,用于在所述编码器中对所述目标电流数据编码,得到用于区分是否存在电动自行车充电的第一目标电流特征;
解码模块,用于在所述解码器中对所述第一目标电流特征解码,以依次重构表征所述用户类别存在电动自行车充电时的、多个层级的第二目标电流特征;
分类模块,用于在所述分类器中,在多个层级的所述第二目标电流特征的增强作用下、依据所述第一目标电流特征检测所述用电户是否存在电动自行车充电的用电负荷。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的电动车用电负荷需求检测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使处理器执行时实现本发明任一实施例所述的电动车用电负荷需求检测方法。
在本实施例中,向配电网中属于居民生活用电的用电户采集原始电流数据;按照用电行为对用电户进行聚类,得到用户类别;依据用户类别截取部分原始电流数据,作为目标电流数据;依据用户类别加载充电检测网络,充电检测网络包括编码器、对用户类别训练的解码器、分类器;在编码器中对目标电流数据编码,得到用于区分是否存在电动自行车充电的第一目标电流特征;在解码器中对第一目标电流特征解码,以依次重构表征用户类别存在电动自行车充电时的、多个层级的第二目标电流特征;在分类器中,在多个层级的第二目标电流特征的增强作用下、依据第一目标电流特征检测用电户是否存在电动自行车充电的用电负荷。编码器为解码器与分类器提供了共用的、基础的第一目标电流特征,可以保证第一目标电流特征用于二分类的准确性,减少因用户类别之间的边界模糊对检测电动自行车充电带来的影响,解码器重构用户类别下存在电动自行车充电时的、多个层级的第二目标电流特征,不同层次的第二目标电流特征依次对第一目标电流特征增强,丰富了第一目标电流特征的信息量,提高检测电动自行车充电的准确性,并且,解码器与分类器属于整个充电检测网络中的一部分,并不关心底层的特征,其结构的复杂度较小,不仅可以区分不同用户类别下的用电户是否存在电动自行车充电的行为,提高用电安全性,还可以减少检测的运算量,减少对资源的占用。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种电动车用电负荷需求检测方法的流程图;
图2是根据本发明实施例一提供的一种充电检测网络的结构示意图;
图3是根据本发明实施例二提供的一种电动车用电负荷需求检测方法的流程图;
图4是根据本发明实施例三提供的一种电动车用电负荷需求检测装置的结构示意图;
图5是实现本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种电动车用电负荷需求检测方法的流程图,该方法可以由电动车用电负荷需求检测装置来执行,该电动车用电负荷需求检测装置可以采用硬件和/或软件的形式实现,该电动车用电负荷需求检测装置可配置于电子设备中。如图1所示,该方法包括:
步骤101、向配电网中属于居民生活用电的用电户采集原始电流数据。
在实际应用中,按行业用电性质可对配电网的用电户分类为居民生活用电、一般工商业用电、大工业用电、农业生产用电等。
其中,居民生活用电包括城乡居民住宅用电、城乡居民住宅小区公用附属设施用电、学校教学和学生生活用电、社会福利场所生活用电,等等。
在本实施例中,向配电网中划分为居民生活用电的用电户采集电流数据,记为原始电流数据。
对于原始电流数据,可以进行预处理,如剔除冗余数据、剔除异常值、填充缺失值等,以提高原始电流数的质量。
步骤102、按照用电行为对用电户进行聚类,得到用户类别。
在本实施例中,可以对当前用电户采集表示用电行为的数据,记为用电行为数据,例如,投切事件(即用电设备开启或关闭的事件)的时间点、用电功率、用电时长等,在用电行为的维度下,对当前用电户进行聚类,得到当前用电户归属的用户类别。
在具体实现中,可以预先使用k-means(K均值聚类)等聚类算法在用电行为的维度上对用电户进行聚类,得到多个表示用户类别的簇,每个簇中具有中心点。
在对当前用电户进行聚类时,可以加载预先训练的多个表示用户类别的簇。
对当前用电户采集用电行为数据,并按照阈值、类型等方式将用电行为数据,与电动自行车充电无关的第一用电行为数据、与电动自行车充电相关的第二用电行为数据,单独划分出与电动自行车充电相关的第二用电行为数据,可增强电动自行车充电的特征的占比,便于在聚类时识别出可能潜在对电动自行车充电的群体。
使用one-hot等编码算法分别将第一用电行为数据转换为第一向量,将第二用电行为数据转换为第二向量。
将第一向量与第二向量拼接为第三向量,并使用欧氏距离等距离算法计算第三向量与各个中心点之间的距离。
将各个距离进行比较,将用电户划分至距离最小的簇中,并将该簇表示的用户类别设置为当前用电户归属的用户类别。
步骤103、依据用户类别截取部分原始电流数据,作为目标电流数据。
在本实施例中,可以对同一用户类别的用电户分析其用电行为的特性,截取出可能存在对电动车充电的部分原始电流数据,作为目标电流数据。
不同用户类别的用电户,其对应的用电行为有所不同,相应地,对电动自行车充电的行为也存在不同,例如,某些用户的职业为快递员、外卖员,长时间骑行电动自行车,由于职业限制且蓄电池损耗较高,这些用户多在空闲时间替换蓄电池、并对替换下来的蓄电池进行充电,蓄电池的剩余电量可能较高,某些用户多在早上、晚上骑行电动自行车上下班或接送小孩、买菜,电池损耗较少,在剩余电量较少时对蓄电池进行充电,等等。
不同情况下对电动自行车(尤其为蓄电池)进行充电的时长并不一致,因此,可以预先对不同用户类别的用电户设置相应的窗口,窗口的长度可覆盖该用户类别中的用电户发生电动自行车充电时的第一拐点与第二拐点。
目前,大多数电动自行车的蓄电池充电为三段式充电,分别为:
1、恒流阶段
采用恒定电流充电,避免低电量过低,导致过大电流充电,从而造成蓄电池发热、起火和不可挽回的损害。
充电机理为,充电器充电电流保持恒定,充入电量稳定增加,蓄电池电压逐步上升。
2、恒压阶段
采用恒定电压充电,确保蓄电池最终达到额定电压。
充电机理为,充电电压保持恒定,电池电压缓慢上升,直到达到电池额定电压。
3、浮充阶段(涓流阶段)
充电电流小,主要是蓄电池保养。
充电机理为,蓄电池已经充满,充电电压和蓄电池电压基本持平,充电电流非常小,对于蓄电池保持容量有一定的作用。
进一步地,第一拐点为恒流阶段与恒压阶段之间的交点,第二拐点为恒压阶段与涓流阶段之间的交点,窗口覆盖第一拐点与第二拐点,有助于识别充电的波形。
在具体实现中,可以加载对用户类别配置的窗口、下采样因子,其中,窗口与下采样因子属于配套的参数。
在原始电流数据依次加载窗口,并截取位于窗口内的部分数据,作为候选电流数据,期望截取到包含第一拐点与第二拐点的部分数据,保证充电曲线的完整性,提高检测的精确度。
由于窗口的长度并不一致,相应地,候选电流数据的长度并不一致,而基于深度学习的充电检测网络对输入的数据要求长度一致,因此,可以按照下采样因子对候选电流数据执行下采样操作,得到统一长度的目标电流数据。
示例性地,下采样可以表示为y(n)=x(n*L),其中,y(n)为目标电流数据,x为候选电流数据,n为时域下标,L为下采样因子。
步骤104、依据用户类别加载充电检测网络。
在本实施例中,可以预先针对不同的用户类别构建并训练充电检测网络,该充电检测网络用于检测该用户类别下的用电户是否存在电动自行车充电的行为。
充电检测网络的结构不局限于人工设计的神经网络,也可以通过模型量化方法优化的神经网络,通过NAS(Neural Architecture Search,神经网络结构搜索)方法针对电动自行车充电的特性搜索的神经网络,等等,本实施例对此不加以限制。
其中,充电检测网络包括编码器Encoder、对用户类别训练的解码器Decoder、以及分类器。
进一步地,编码器Encoder对不同的用户类别通用,解码器Decoder适用于指定的用户类别,分类器对不同的用户类别通用。
那么,在训练时,可以使用不区分用户类别的用电户的目标电流数据,以及,从目标电流数据分离出的、电动自行车充电时的电流数据作为样本,标注是否存在电动自行车充电的标签,对编码器Encoder、解码器Decoder与分类器进行训练,损失函数可以使用相对熵(relative entropy)。
在训练完成时,在维持编码器与分类器不更新参数的条件下,使用从指定用户类别下,从目标电流数据分离出的、电动自行车充电时的电流数据作为样本,标注是否存在电动自行车充电的标签,对解码器Decoder进行微调fine-tuning,损失函数可以使用MSELoss(均方差损失)。
步骤105、在编码器中对目标电流数据编码,得到用于区分是否存在电动自行车充电的第一目标电流特征。
在本实施例中,将目标电流数据输入编码器Encoder中,编码器Encoder可以对目标电流数据进行编码,从目标电流数据中提取高层次的特征,记为第一目标电流特征。
各个用户类别之间的边界较为模糊,随着旧电器的老化甚至淘汰、新电器的购置,以及天气的转换,用电户的用电行为会发生一定的变化,如果用标记不同用户类别的电流数据作为样本训练充电检测网络,会导致充电检测网络的性能较差,缺乏泛化性,而对电动自行车充电是一个长时序的操作,在一个较长的窗口内的电流数据可以较为明显地体现出对电动自行车充电的特征,可以在一定程度上区分出是否存在电动自行车充电,因此,在训练编码器Encoder时,可将编码器Encoder训练为,其编码的第一目标电流特征可用于区分是否存在电动自行车充电,编码器Encoder作为解码器Decoder与分类器共用的特征提取器,可以为解码器Decoder与分类器提供基础的特征,避免用户类别之间的边界模糊导致检测对电动自行车充电的行为的准确率较低的缺陷。
在本发明的一个实施例中,如图2所示,编码器Encoder包括长短期记忆网络(LongShort Term Memory,LSTM)、第一卷积层Conv_1、第二卷积层Conv_2、第三卷积层Conv_3、第一池化层Pooling_1与第二池化层Pooling_2。
对于LSTM,可以分为以下关键变量:
输入:ht-1(t-1时刻的隐藏层)和 xt(t时刻的特征向量)
输出:ht(加softmax等激活函数即可作为真正的输出,否则作为隐藏层)
主线/记忆:ct-1和ct
长短期记忆网络内部主要有三个阶段:
1、忘记阶段
忘记阶段主要是对上一个节点传进来的输入进行选择性忘记,具体是通过计算得到的zf(f表示忘记forget)来作为忘记门控,来控制上一个状态的ct-1哪些留哪些忘。
2、选择记忆阶段
选择记忆阶段对输入有选择性地进行“记忆”,主要是会对输入xt 进行选择记忆,哪些重要则着重记录下来,哪些不重要,则少记一些。当前的输入内容由前面计算得到的z表示。而选择的门控信号则是由 zi(i代表信息information)来进行控制。
将上面两个阶段得到的结果相加,即可得到传输给下一个状态的ct。
3、输出阶段
输出阶段将决定哪些将会被当成当前状态的输出。主要是通过zo来进行控制的。并且还对上一阶段得到的co进行了放缩(通过一个tanh激活函数进行变化)。
第一卷积层Conv_1、第二卷积层Conv_2与第三卷积层Conv_3均属于卷积层(Convolutional Layer),层卷积层通常由若干卷积单元组成,每个卷积单元的参数为训练时通过反向传播算法优化得到,低层的卷积层可以提取一些低级的特征,如边缘、线条和角等层级,更高层的卷积层可以从低级特征中迭代提取更高层、更复杂的特征。
第一池化层Pooling_1与第二池化层Pooling_2均属于池化层(Pooling Layer),池化层可以提供采样操作,池化对于输入的数据,选择某种方式对其进行压缩,以加快充电检测网络的运算速度。这里说的某种方式,其实就是池化操作的算法,比如,最大池化操作、平均池化操作或最小池化操作。
在本实施例中,池化层提供最小池化操作,即,以某一个局部区域最小值代表一个区域。
一般情况下,原始电流数据经过预处理,是不会存在数值为0的异常情况,因此,最小池化操作对梯度的影响较为有限,对于电动自行车充电而言,其他电信号均属于噪音,取最小值有助于抑制噪音。
在本实施例中,将目标电流数据输入长短期记忆网络LSTM中,在长短期记忆网络LSTM中对目标电流数据执行时序处理,得到第一参考电流特征,目标电流数据属于时序的序列,LSTM可以在时序上提取特征。
将第一参考电流特征输入第一卷积层Conv_1中,在第一卷积层Conv_1中对第一参考电流特征执行卷积操作,得到第二参考电流特征。
将第二参考电流特征输入第一池化层Pooling_1,在第一池化层Pooling_1中对第二参考电流特征执行最小池化操作,得到第三参考电流特征。
将第三参考电流特征输入第二卷积层Conv_2中,在第二卷积层Conv_2中对第三参考电流特征执行卷积操作,得到第四参考电流特征。
将第四参考电流特征输入第三卷积层Conv_3中,在第三卷积层Conv_3中对第四参考电流特征执行卷积操作,得到第五参考电流特征。
将第五参考电流特征输入第二池化层Pooling_2,在第二池化层Pooling_2中对第五参考电流特征执行最小池化操作,得到用于区分是否存在电动自行车充电的第一目标电流特征。
步骤106、在解码器中对第一目标电流特征解码,以依次重构表征用户类别存在电动自行车充电时的、多个层级的第二目标电流特征。
编码器Encoder输出的第一目标电流特征会分两路处理,其中一路输入解码器Decoder中,解码器Decoder对第一目标电流特征解码,在解码的过程中,依次重构表征用户类别存在电动自行车充电时的、多个层级的第二目标电流特征。
不同用户类别的用电户在选择电动自行车存在一定的差异、在使用电动自行车的行为上存在一定的差异,在对电动自行车充电的行为上也会存在一定的差异,因此,不同用户类别的用电户对电动自行车充电时特征有所不同,可以区分不同用户类别训练解码器Decoder,使得解码器Decoder可以针对相应用户类别的第一目标电流特征重构第二目标电流特征,重构的过程进一步加强第一目标电流特征中电动自行车充电的特征、弱化噪音。
一般情况下,目标电流数据中以噪音为主,编码器Encoder主要为下采样操作,可以弱化噪音,在时序上突出电动自行车充电时的特征,解码器Decoder主要为上采样操作,编码器Encoder与解码器Decoder之间并不建立残差连接(skip connection),减少噪音对于上采样的影响。
在本发明的一个实施例中,如图2所示,编码器Decoder包括第一反卷积层Deconv_1、第二反卷积层Deconv_2与第三反卷积层Deconv_3。
第一反卷积层Deconv_1、第二反卷积层Deconv_2与第三反卷积层Deconv_3均为反卷积层(deconvolution),又称转置卷积(transposed convolution),反卷积层可提供发卷积操作,将前一层的feature map(特征图)上采样,通过邻域点内插实现,内插过程通过一个表示特征点对其邻域影响范围和贡献和核来参数化。为了有效内插,核应该足够大、以覆盖输出。
其中,内插过程是将核的值乘以每个输入并在输出中添加重叠响应。
在本实施例中,将第一目标电流特征输入第一反卷积层Deconv_1中,在第一反卷积层Deconv_1中对第一目标电流特征执行反卷积操作,得到表征用户类别存在电动自行车充电时的、第一层级的第二目标电流特征。
将第一层级的第二目标电流特征输入第二反卷积层Deconv_2中,在第二反卷积层Deconv_2中对第一层级的第二目标电流特征执行反卷积操作,得到表征用户类别存在电动自行车充电时的、第二层级的第二目标电流特征。
将第二层级的第二目标电流特征输入第三反卷积层Deconv_3中,在第三反卷积层Deconv_3中对第二层级的第二目标电流特征执行反卷积操作,得到表征用户类别存在电动自行车充电时的、第三层级的第二目标电流特征。
步骤107、在分类器中,在多个层级的第二目标电流特征的增强作用下、依据第一目标电流特征检测用电户是否存在电动自行车充电的用电负荷。
编码器Encoder输出的第一目标电流特征会分两路处理,另外一路输入分类器中,此外,解码器Decoder输出的、多个层级的第二目标电流特征也会一同输入分类器中。
解码器Decoder在重构时,加强第一目标电流特征中电动自行车充电的特征、弱化噪音,相对于目标电流数据,存在一定程度的失真,因此,在分类器中,以第一目标电流特征为主、多个层级的第二电流特征为辅进行分类,此时,多个层级的第二电流特征可对第一目标电流特征进行增强,分类器对第一目标电流特征进行分类,输出用电户是否存在电动自行车充电的用电负荷的结果。
在本发明的一个实施例中,如图2所示,分类器包括第一全连接层FC_1、第二全连接层FC_2、第三全连接层FC_3、第四全连接层FC_4、第五全连接层FC_5、第一可分离卷积层SCL_1、第二可分离卷积层SCL_2与第三可分离卷积层SCL_3。
第一全连接层FC_1、第二全连接层FC_2、第三全连接层FC_3、第四全连接层FC_4与第五全连接层FC_5均属于全连接层(Fully Connected Layers,FC),全连接层中的神经元与其前一层的神经元进行全连接,全连接层可以将学习到的“分布式特征表示”映射到指定的多维空间中,尤其为样本标记空间。
第一可分离卷积层SCL_1、第二可分离卷积层SCL_2与第三可分离卷积层SCL_3均为可分离卷积层(Separable Convolutions Layers),尤其为空间可分离卷积层(SpatialSeparable Convolutions Layers),空间可分离卷积是在空间维度将标准的卷积操作拆分成多个小卷积核执行卷积操作。
在本实施例中,将第一层级的第二目标电流特征输入第一全连接层FC_1中,在第一全连接层FC_1中将第一层级的第二目标电流特征映射为第一候选电流特征,其中,第一候选电流特征的维度小于或等于第一目标电流特征的维度。
通过Concate等函数将第一目标电流特征与第一候选电流特征融合为第一融合电流特征。
将第一融合电流特征输入第一可分离卷积层SCL_1中,在第一可分离卷积层SCL_1中对第一融合电流特征执行可分离卷积操作,得到第一分离电流特征。
将第二层级的第二目标电流特征输入第二全连接层FC_2中,在第二全连接层FC_2中将第二层级的第二目标电流特征映射为第二候选电流特征,其中,第二候选电流特征的维度小于或等于第一分离电流特征的维度。
通过Concate等函数将第一分离电流特征与第二候选电流特征融合为第二融合电流特征。
将第二融合电流特征输入第二可分离卷积层SCL_2中,在第二可分离卷积层SCL_2中对第二融合电流特征执行可分离卷积操作,得到第二分离电流特征。
将第三层级的第二目标电流特征输入第三全连接层FC_3中,在第三全连接层FC_3中将第三层级的第二目标电流特征映射为第三候选电流特征,其中,第三候选电流特征的维度小于或等于第二分离电流特征的维度。
通过Concate等函数将第二分离电流特征与第三候选电流特征融合为第三融合电流特征。
将第三融合电流特征输入第三可分离卷积层SCL_3中,在第三可分离卷积层SCL_3中对第三融合电流特征执行可分离卷积操作,得到第三分离电流特征。
将第三分离电流特征输入第四全连接层FC_4中,在第四全连接层FC_4中将第三分离电流特征映射为第四分离电流特征。
将第四分离电流特征输入第五全连接层FC_5中,在第五全连接层FC_5中将第四分离电流特征映射为用电户存在电动自行车充电的概率;
若概率大于预设的第一阈值,则确定用电户存在电动自行车充电的用电负荷。
在本实施例中,向配电网中属于居民生活用电的用电户采集原始电流数据;按照用电行为对用电户进行聚类,得到用户类别;依据用户类别截取部分原始电流数据,作为目标电流数据;依据用户类别加载充电检测网络,充电检测网络包括编码器、对用户类别训练的解码器、分类器;在编码器中对目标电流数据编码,得到用于区分是否存在电动自行车充电的第一目标电流特征;在解码器中对第一目标电流特征解码,以依次重构表征用户类别存在电动自行车充电时的、多个层级的第二目标电流特征;在分类器中,在多个层级的第二目标电流特征的增强作用下、依据第一目标电流特征检测用电户是否存在电动自行车充电的用电负荷。编码器为解码器与分类器提供了共用的、基础的第一目标电流特征,可以保证第一目标电流特征用于二分类的准确性,减少因用户类别之间的边界模糊对检测电动自行车充电带来的影响,解码器重构用户类别下存在电动自行车充电时的、多个层级的第二目标电流特征,不同层次的第二目标电流特征依次对第一目标电流特征增强,丰富了第一目标电流特征的信息量,提高检测电动自行车充电的准确性,并且,解码器与分类器属于整个充电检测网络中的一部分,并不关心底层的特征,其结构的复杂度较小,不仅可以区分不同用户类别下的用电户是否存在电动自行车充电的行为,提高用电安全性,还可以减少检测的运算量,减少对资源的占用。
实施例二
图3为本发明实施例二提供的一种电动车用电负荷需求检测方法的流程图,本实施例在实施例的基础上增加了警报操作。如图3所示,该方法包括:
步骤301、向配电网中属于居民生活用电的用电户采集原始电流数据。
步骤302、按照用电行为对用电户进行聚类,得到用户类别。
步骤303、依据用户类别截取部分原始电流数据,作为目标电流数据。
步骤304、依据用户类别加载充电检测网络。
其中,充电检测网络包括编码器、对用户类别训练的解码器、分类器。
步骤305、在编码器中对目标电流数据编码,得到用于区分是否存在电动自行车充电的第一目标电流特征。
步骤306、在解码器中对第一目标电流特征解码,以依次重构表征用户类别存在电动自行车充电时的、多个层级的第二目标电流特征。
步骤307、在分类器中,在多个层级的第二目标电流特征的增强作用下、依据第一目标电流特征检测用电户是否存在电动自行车充电的用电负荷。
步骤308、对用电户统计在预设的时间段内存在电动自行车充电的用电负荷的比例。
单次检测用电户是否存在电动自行车充电的用电负荷可能存在一定的误检率,因此,在本实施例中,可以在预设的时间段内对同一用电户多次检测是否存在电动自行车充电的用电负荷,例如,在首次检测到用电户存在电动自行车充电时,开始启动时间段(如60min)的计时,在计时期间,每间隔一定的时间(如1min)从原始电流数据中截取一次目标电流数据检测是否存在电动自行车充电。
在这个时间段内,统计结果为存在电动自行车充电的用电负荷在所有结果中的比例。
步骤309、若比例大于预设的第二阈值,则对用电户生成警报信息。
将结果为存在电动自行车充电的用电负荷在所有结果中的比例与预设的第二阈值进行比较,如果结果为存在电动自行车充电的用电负荷在所有结果中的比例大于预设的第二阈值,表示用电户存在电动自行车充电的行为的概率较大,可以确认该用电户存在电动自行车充电的行为,降低了误检率,此时,可以对该用电户生成警报信息,交由指定的管理人员对该用电户进行排查。
实施例三
图4为本发明实施例三提供的一种电动车用电负荷需求检测装置的结构示意图。如图4所示,该装置包括:
原始电流数据采集模块401,用于向配电网中属于居民生活用电的用电户采集原始电流数据;
用电户聚类模块402,用于按照用电行为对所述用电户进行聚类,得到用户类别;
目标电流数据截取模块403,用于依据所述用户类别截取部分所述原始电流数据,作为目标电流数据;
充电检测网络加载模块404,用于依据所述用户类别加载充电检测网络,所述充电检测网络包括编码器、对所述用户类别训练的解码器、分类器;
编码模块405,用于在所述编码器中对所述目标电流数据编码,得到用于区分是否存在电动自行车充电的第一目标电流特征;
解码模块406,用于在所述解码器中对所述第一目标电流特征解码,以依次重构表征所述用户类别存在电动自行车充电时的、多个层级的第二目标电流特征;
分类模块407,用于在所述分类器中,在多个层级的所述第二目标电流特征的增强作用下、依据所述第一目标电流特征检测所述用电户是否存在电动自行车充电的用电负荷。
在本发明的一个实施例中,所述用电户聚类模块402还用于:
加载预先训练的多个表示用户类别的簇,每个所述簇中具有中心点;
对所述用电户采集与电动自行车充电无关的第一用电行为数据、与电动自行车充电相关的第二用电行为数据;
分别将所述第一用电行为数据转换为第一向量,将所述第二用电行为数据转换为第二向量;
将所述第一向量与所述第二向量拼接为第三向量;
计算所述第三向量与各个所述中心点之间的距离;
将所述用电户划分至所述距离最小的所述簇中,并将所述簇表示的所述用户类别设置为所述用电户归属的用户类别。
在本发明的一个实施例中,所述目标电流数据截取模块403还用于:
加载对所述用户类别配置的窗口、下采样因子,所述窗口的长度覆盖所述用户类别中的用电户发生电动自行车充电时的第一拐点与第二拐点,所述第一拐点为恒流阶段与恒压阶段之间的交点,所述第二拐点为恒压阶段与涓流阶段之间的交点;
在所述原始电流数据加载所述窗口,并截取位于所述窗口内的部分数据,作为候选电流数据;
按照所述下采样因子对所述候选电流数据执行下采样操作,得到统一长度的目标电流数据。
在本发明的一个实施例中,所述编码器包括长短期记忆网络、第一卷积层、第二卷积层、第三卷积层、第一池化层与第二池化层;
所述编码模块405还用于:
在所述长短期记忆网络中对所述目标电流数据执行时序处理,得到第一参考电流特征;
在所述第一卷积层中对所述第一参考电流特征执行卷积操作,得到第二参考电流特征;
在所述第一池化层中对所述第二参考电流特征执行最小池化操作,得到第三参考电流特征;
在所述第二卷积层中对所述第三参考电流特征执行卷积操作,得到第四参考电流特征;
在所述第三卷积层中对所述第四参考电流特征执行卷积操作,得到第五参考电流特征;
在所述第二池化层中对所述第五参考电流特征执行最小池化操作,得到用于区分是否存在电动自行车充电的第一目标电流特征。
在本发明的一个实施例中,所述编码器包括第一反卷积层、第二反卷积层与第三反卷积层;
所述解码模块406还用于:
在所述第一反卷积层中对所述第一目标电流特征执行反卷积操作,得到第一层级的第二目标电流特征;
在所述第二反卷积层中对第一层级的所述第二目标电流特征执行反卷积操作,得到第二层级的第二目标电流特征;
在所述第三反卷积层中对第二层级的所述第二目标电流特征执行反卷积操作,得到第三层级的第二目标电流特征。
在本发明的一个实施例中,所述分类器包括第一全连接层、第二全连接层、第三全连接层、第四全连接层、第五全连接层、第一可分离卷积层、第二可分离卷积层与第三可分离卷积层;
所述分类模块407还用于:
在所述第一全连接层中将第一层级的所述第二目标电流特征映射为第一候选电流特征;
将所述第一目标电流特征与所述第一候选电流特征融合为第一融合电流特征;
在所述第一可分离卷积层中对所述第一融合电流特征执行可分离卷积操作,得到第一分离电流特征;
在所述第二全连接层中将第二层级的所述第二目标电流特征映射为第二候选电流特征;
将所述第一分离电流特征与所述第二候选电流特征融合为第二融合电流特征;
在所述第二可分离卷积层中对所述第二融合电流特征执行可分离卷积操作,得到第二分离电流特征;
在所述第三全连接层中将第三层级的所述第二目标电流特征映射为第三候选电流特征;
将所述第二分离电流特征与所述第三候选电流特征融合为第三融合电流特征;
在所述第三可分离卷积层中对所述第三融合电流特征执行可分离卷积操作,得到第三分离电流特征;
在所述第四全连接层中将所述第三分离电流特征映射为第四分离电流特征;
在所述第五全连接层中将所述第四分离电流特征映射为所述用电户存在电动自行车充电的概率;
若所述概率大于预设的第一阈值,则确定所述用电户存在电动自行车充电的用电负荷。
在本发明的一个实施例中,还包括:
比例统计模块,用于对所述用电户统计在预设的时间段内存在电动自行车充电的用电负荷的比例;
警报信息生成模块,用于若所述比例大于预设的第二阈值,则对所述用电户生成警报信息。
本发明实施例所提供的电动车用电负荷需求检测装置可执行本发明任意实施例所提供的电动车用电负荷需求检测方法,具备执行电动车用电负荷需求检测方法相应的功能模块和有益效果。
实施例三
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,如电动车用电负荷需求检测方法。
在一些实施例中,电动车用电负荷需求检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的电动车用电负荷需求检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行电动车用电负荷需求检测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
实施例N
本发明实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序在被处理器执行时实现如本发明任一实施例所提供的电动车用电负荷需求检测方法。
计算机程序产品在实现的过程中,可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种电动车用电负荷需求检测方法,其特征在于,包括:
向配电网中属于居民生活用电的用电户采集原始电流数据;
按照用电行为对所述用电户进行聚类,得到用户类别;
依据所述用户类别截取部分所述原始电流数据,作为目标电流数据;
依据所述用户类别加载充电检测网络,所述充电检测网络包括编码器、对所述用户类别训练的解码器、分类器;
在所述编码器中对所述目标电流数据编码,得到用于区分是否存在电动自行车充电的第一目标电流特征;
在所述解码器中对所述第一目标电流特征解码,以依次重构表征所述用户类别存在电动自行车充电时的、多个层级的第二目标电流特征;
在所述分类器中,在多个层级的所述第二目标电流特征的增强作用下、依据所述第一目标电流特征检测所述用电户是否存在电动自行车充电的用电负荷。
2.根据权利要求1所述的方法,其特征在于,所述按照用电行为对所述用电户进行聚类,得到用户类别,包括:
加载预先训练的多个表示用户类别的簇,每个所述簇中具有中心点;
对所述用电户采集与电动自行车充电无关的第一用电行为数据、与电动自行车充电相关的第二用电行为数据;
分别将所述第一用电行为数据转换为第一向量,将所述第二用电行为数据转换为第二向量;
将所述第一向量与所述第二向量拼接为第三向量;
计算所述第三向量与各个所述中心点之间的距离;
将所述用电户划分至所述距离最小的所述簇中,并将所述簇表示的所述用户类别设置为所述用电户归属的用户类别。
3.根据权利要求1所述的方法,其特征在于,所述依据所述用户类别截取部分所述原始电流数据,作为目标电流数据,包括:
加载对所述用户类别配置的窗口、下采样因子,所述窗口的长度覆盖所述用户类别中的用电户发生电动自行车充电时的第一拐点与第二拐点,所述第一拐点为恒流阶段与恒压阶段之间的交点,所述第二拐点为恒压阶段与涓流阶段之间的交点;
在所述原始电流数据加载所述窗口,并截取位于所述窗口内的部分数据,作为候选电流数据;
按照所述下采样因子对所述候选电流数据执行下采样操作,得到统一长度的目标电流数据。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述编码器包括长短期记忆网络、第一卷积层、第二卷积层、第三卷积层、第一池化层与第二池化层;
所述在所述编码器中对所述目标电流数据编码,得到用于区分是否存在电动自行车充电的第一目标电流特征,包括:
在所述长短期记忆网络中对所述目标电流数据执行时序处理,得到第一参考电流特征;
在所述第一卷积层中对所述第一参考电流特征执行卷积操作,得到第二参考电流特征;
在所述第一池化层中对所述第二参考电流特征执行最小池化操作,得到第三参考电流特征;
在所述第二卷积层中对所述第三参考电流特征执行卷积操作,得到第四参考电流特征;
在所述第三卷积层中对所述第四参考电流特征执行卷积操作,得到第五参考电流特征;
在所述第二池化层中对所述第五参考电流特征执行最小池化操作,得到用于区分是否存在电动自行车充电的第一目标电流特征。
5.根据权利要求4所述的方法,其特征在于,所述编码器包括第一反卷积层、第二反卷积层与第三反卷积层;
所述在所述解码器中对所述第一目标电流特征解码,以依次重构表征所述用户类别存在电动自行车充电时的、多个层级的第二目标电流特征,包括:
在所述第一反卷积层中对所述第一目标电流特征执行反卷积操作,得到第一层级的第二目标电流特征;
在所述第二反卷积层中对第一层级的所述第二目标电流特征执行反卷积操作,得到第二层级的第二目标电流特征;
在所述第三反卷积层中对第二层级的所述第二目标电流特征执行反卷积操作,得到第三层级的第二目标电流特征。
6.根据权利要求5所述的方法,其特征在于,所述分类器包括第一全连接层、第二全连接层、第三全连接层、第四全连接层、第五全连接层、第一可分离卷积层、第二可分离卷积层与第三可分离卷积层;
所述在所述分类器中,在多个层级的所述第二目标电流特征的增强作用下、依据所述第一目标电流特征检测所述用电户是否存在电动自行车充电,包括:
在所述第一全连接层中将第一层级的所述第二目标电流特征映射为第一候选电流特征;
将所述第一目标电流特征与所述第一候选电流特征融合为第一融合电流特征;
在所述第一可分离卷积层中对所述第一融合电流特征执行可分离卷积操作,得到第一分离电流特征;
在所述第二全连接层中将第二层级的所述第二目标电流特征映射为第二候选电流特征;
将所述第一分离电流特征与所述第二候选电流特征融合为第二融合电流特征;
在所述第二可分离卷积层中对所述第二融合电流特征执行可分离卷积操作,得到第二分离电流特征;
在所述第三全连接层中将第三层级的所述第二目标电流特征映射为第三候选电流特征;
将所述第二分离电流特征与所述第三候选电流特征融合为第三融合电流特征;
在所述第三可分离卷积层中对所述第三融合电流特征执行可分离卷积操作,得到第三分离电流特征;
在所述第四全连接层中将所述第三分离电流特征映射为第四分离电流特征;
在所述第五全连接层中将所述第四分离电流特征映射为所述用电户存在电动自行车充电的概率;
若所述概率大于预设的第一阈值,则确定所述用电户存在电动自行车充电的用电负荷。
7.根据权利要求1-3中任一项所述的方法,其特征在于,还包括:
对所述用电户统计在预设的时间段内存在电动自行车充电的用电负荷的比例;
若所述比例大于预设的第二阈值,则对所述用电户生成警报信息。
8.一种电动车用电负荷需求检测装置,其特征在于,包括:
原始电流数据采集模块,用于向配电网中属于居民生活用电的用电户采集原始电流数据;
用电户聚类模块,用于按照用电行为对所述用电户进行聚类,得到用户类别;
目标电流数据截取模块,用于依据所述用户类别截取部分所述原始电流数据,作为目标电流数据;
充电检测网络加载模块,用于依据所述用户类别加载充电检测网络,所述充电检测网络包括编码器、对所述用户类别训练的解码器、分类器;
编码模块,用于在所述编码器中对所述目标电流数据编码,得到用于区分是否存在电动自行车充电的第一目标电流特征;
解码模块,用于在所述解码器中对所述第一目标电流特征解码,以依次重构表征所述用户类别存在电动自行车充电时的、多个层级的第二目标电流特征;
分类模块,用于在所述分类器中,在多个层级的所述第二目标电流特征的增强作用下、依据所述第一目标电流特征检测所述用电户是否存在电动自行车充电的用电负荷。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的电动车用电负荷需求检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使处理器执行时实现权利要求1-7中任一项所述的电动车用电负荷需求检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311034988.9A CN116756638B (zh) | 2023-08-17 | 2023-08-17 | 电动车用电负荷需求检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311034988.9A CN116756638B (zh) | 2023-08-17 | 2023-08-17 | 电动车用电负荷需求检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116756638A true CN116756638A (zh) | 2023-09-15 |
CN116756638B CN116756638B (zh) | 2023-11-14 |
Family
ID=87950040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311034988.9A Active CN116756638B (zh) | 2023-08-17 | 2023-08-17 | 电动车用电负荷需求检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756638B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118013635A (zh) * | 2024-03-26 | 2024-05-10 | 华南理工大学 | 一种楼宇排水管道的设计方法、装置、设备及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11299122A (ja) * | 1998-02-10 | 1999-10-29 | Denso Corp | 充電状態制御方法及び装置 |
CN107618397A (zh) * | 2017-10-20 | 2018-01-23 | 南京泓凯动力***科技有限公司 | 电池管理*** |
CN109087127A (zh) * | 2018-07-11 | 2018-12-25 | 国家电网公司 | 一种电动汽车充电用户的行为特征分析方法及装置 |
US20190308510A1 (en) * | 2018-04-06 | 2019-10-10 | Here Global B.V. | Method, apparatus, and system for providing a time-based representation of a charge or fuel level |
CN112379269A (zh) * | 2020-10-14 | 2021-02-19 | 武汉蔚来能源有限公司 | 电池异常检测模型训练及其检测方法、装置 |
CN113567794A (zh) * | 2021-09-24 | 2021-10-29 | 国网江苏省电力有限公司营销服务中心 | 基于动态时间规整的电动自行车户内充电辨识方法及*** |
CN113705710A (zh) * | 2021-09-02 | 2021-11-26 | 国网安徽省电力有限公司营销服务中心 | 电动车充电设施违约用电识别方法及装置 |
CN114004033A (zh) * | 2021-11-16 | 2022-02-01 | 国网天津市电力公司 | 考虑低压配电网的住宅区电动汽车充电调度方法及装置 |
US20220052387A1 (en) * | 2018-12-20 | 2022-02-17 | Semiconductor Energy Laboratory Co., Ltd. | Semiconductor device and battery pack |
CN114118277A (zh) * | 2021-11-29 | 2022-03-01 | 国网河北省电力有限公司经济技术研究院 | 电动车充电监测方法、装置和终端设备 |
CN114880384A (zh) * | 2022-07-11 | 2022-08-09 | 杭州宇谷科技有限公司 | 一种无监督二轮电动车充电时序异常检测方法及*** |
DE102022117000A1 (de) * | 2022-07-07 | 2022-09-29 | Daimler Truck AG | Batterielademanager |
CN115456034A (zh) * | 2022-11-09 | 2022-12-09 | 广东浩迪创新科技有限公司 | 一种电动自行车充电自动识别监测方法及*** |
CN116187181A (zh) * | 2023-02-01 | 2023-05-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于宽度学习***的电动车充电负荷时序建模方法、***及介质 |
CN116359602A (zh) * | 2023-03-07 | 2023-06-30 | 北京智芯微电子科技有限公司 | 非侵入式电动车充电识别方法、装置、介质和智能电表 |
-
2023
- 2023-08-17 CN CN202311034988.9A patent/CN116756638B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11299122A (ja) * | 1998-02-10 | 1999-10-29 | Denso Corp | 充電状態制御方法及び装置 |
CN107618397A (zh) * | 2017-10-20 | 2018-01-23 | 南京泓凯动力***科技有限公司 | 电池管理*** |
US20190308510A1 (en) * | 2018-04-06 | 2019-10-10 | Here Global B.V. | Method, apparatus, and system for providing a time-based representation of a charge or fuel level |
CN109087127A (zh) * | 2018-07-11 | 2018-12-25 | 国家电网公司 | 一种电动汽车充电用户的行为特征分析方法及装置 |
US20220052387A1 (en) * | 2018-12-20 | 2022-02-17 | Semiconductor Energy Laboratory Co., Ltd. | Semiconductor device and battery pack |
CN112379269A (zh) * | 2020-10-14 | 2021-02-19 | 武汉蔚来能源有限公司 | 电池异常检测模型训练及其检测方法、装置 |
CN113705710A (zh) * | 2021-09-02 | 2021-11-26 | 国网安徽省电力有限公司营销服务中心 | 电动车充电设施违约用电识别方法及装置 |
CN113567794A (zh) * | 2021-09-24 | 2021-10-29 | 国网江苏省电力有限公司营销服务中心 | 基于动态时间规整的电动自行车户内充电辨识方法及*** |
CN114004033A (zh) * | 2021-11-16 | 2022-02-01 | 国网天津市电力公司 | 考虑低压配电网的住宅区电动汽车充电调度方法及装置 |
CN114118277A (zh) * | 2021-11-29 | 2022-03-01 | 国网河北省电力有限公司经济技术研究院 | 电动车充电监测方法、装置和终端设备 |
DE102022117000A1 (de) * | 2022-07-07 | 2022-09-29 | Daimler Truck AG | Batterielademanager |
CN114880384A (zh) * | 2022-07-11 | 2022-08-09 | 杭州宇谷科技有限公司 | 一种无监督二轮电动车充电时序异常检测方法及*** |
CN115456034A (zh) * | 2022-11-09 | 2022-12-09 | 广东浩迪创新科技有限公司 | 一种电动自行车充电自动识别监测方法及*** |
CN116187181A (zh) * | 2023-02-01 | 2023-05-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于宽度学习***的电动车充电负荷时序建模方法、***及介质 |
CN116359602A (zh) * | 2023-03-07 | 2023-06-30 | 北京智芯微电子科技有限公司 | 非侵入式电动车充电识别方法、装置、介质和智能电表 |
Non-Patent Citations (1)
Title |
---|
陈文权: "基于深度学习的非侵入式负荷辨识与分解", 《万方学位论文库》, pages 1 - 59 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118013635A (zh) * | 2024-03-26 | 2024-05-10 | 华南理工大学 | 一种楼宇排水管道的设计方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116756638B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985330B (zh) | 一种自编码网络及其训练方法、异常用电检测方法和*** | |
CN108647716B (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
CN112001498B (zh) | 基于量子计算机的数据识别方法、装置及可读存储介质 | |
CN113568819B (zh) | 异常数据检测方法、装置、计算机可读介质及电子设备 | |
CN116756638B (zh) | 电动车用电负荷需求检测方法、装置、设备及存储介质 | |
CN110674673A (zh) | 一种关键视频帧抽取方法、装置和存储介质 | |
CN113553412A (zh) | 问答处理方法、装置、电子设备和存储介质 | |
CN114978613B (zh) | 基于数据增强和自监督特征增强的网络入侵检测方法 | |
CN111224805A (zh) | 一种网络故障根因检测方法、***及存储介质 | |
CN113837308A (zh) | 基于知识蒸馏的模型训练方法、装置、电子设备 | |
CN117081831A (zh) | 基于数据生成和注意力机制的网络入侵检测方法及*** | |
CN115795038B (zh) | 基于国产化深度学习框架的意图识别方法和装置 | |
CN110889560A (zh) | 一种具有深度可解释性的快递序列预测的方法 | |
CN112948155A (zh) | 模型训练方法、状态预测方法、装置、设备及存储介质 | |
CN114820871A (zh) | 字体生成方法、模型的训练方法、装置、设备和介质 | |
CN107392229B (zh) | 一种基于最面向社会关系抽取的网络表示方法 | |
CN115905959A (zh) | 基于缺陷因子的电力断路器关联性故障分析方法及装置 | |
CN117892148A (zh) | 物联网终端业务模型识别方法和***、设备及存储介质 | |
CN117592595A (zh) | 一种配电网负荷预测模型建立、预测方法及装置 | |
CN117391466A (zh) | 一种新型矛盾纠纷案件的预警方法和*** | |
CN110717577A (zh) | 一种注意区域信息相似性的时间序列预测模型构建方法 | |
CN114357160B (zh) | 基于生成传播结构特征的早期谣言检测方法及装置 | |
CN114219084B (zh) | 一种快消行业的访销陈列造假识别方法及装置 | |
CN114595952A (zh) | 基于注意力网络改进卷积神经网络的窃电行为检测方法 | |
CN115291019A (zh) | 基于多任务学习模型的电能质量扰动分类识别*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |